策略代码
# 风险及免责提示：该策略仅供学习交流使用。
# 标题：10年52倍，年化59%，全新因子方法超稳定
#导入函数库
from jqdata import * # 从jqdata模块导入所有内容
from jqfactor import * # 从jqdata模块导入所有内容
import numpy as np # 导入numpy库
import pandas as pd # 导入pandas库并设置别名pd
# 定义行业代码列表
industry_code = ['HY001', 'HY002', 'HY003', 'HY004', 'HY005', 'HY006', 'HY007', 'HY008', 'HY009', 'HY010', 'HY011']
#初始化函数
def initialize(context):
# 设定基准
set_benchmark('000905.XSHG')
# 用真实价格交易
set_option('use_real_price', True)
# 打开防未来函数
set_option("avoid_future_data", True)
# 将滑点设置为0
set_slippage(FixedSlippage(0))
# 设置交易成本万分之三，不同滑点影响可在归因分析中查看
set_order_cost(OrderCost(open_tax=0, close_tax=0.001, open_commission=0.0003, close_commission=0.0003, close_today_commission=0, min_commission=5),type='stock')
# 过滤order中低于error级别的日志
log.set_level('order', 'error')
log.set_level('system', 'error')
#初始化全局变量
g.no_trading_today_signal = False # 标记是否为非交易日
g.stock_num = 3 # 设置要持有的股票数量
g.hold_list = [] # 初始化当前持仓的股票列表
g.yesterday_HL_list = [] # 记录昨日涨停的股票
g.factor_list = [ # 定义因子列表，包含因子名称和对应的参数
{'ARBR': (-0.9996444781983547, 0.9986148448690932)}
]
g.chosen_factor = ['ARBR'] # 选择使用的因子
g.month_day = 1 # 设置每月运行的日期
# 设置交易运行时间
run_daily(prepare_stock_list, '9:05') # 每天09:05 运行 prepare_stock_list
run_weekly(weekly_adjustment, 1, '9:30') # 每周第一个交易日的09:30 运行 weekly_adjustment
run_daily(check_limit_up, '14:00') # 每天14:00 运行 check_limit_up 检查持仓中的涨停股是否需要卖出
run_daily(close_account, '14:30') # 每天14:30 运行 close_account
# run_daily(print_position_info, '15:10') # 每天15:10 运行 print_position_info
#1-1 准备股票池
def prepare_stock_list(context):
#获取已持有列表
g.hold_list= [] # 初始化持仓列表，g.hold_list 用于存储当前持仓的股票代码
for position in list(context.portfolio.positions.values()): # 遍历当前持仓的每个持仓价值
stock = position.security # 获取股票代码
g.hold_list.append(stock) # 将股票代码添加到持仓列表
#获取昨日涨停列表
if g.hold_list != []: # 如果当前持仓列表不为空，即存在持仓
# 获取每只股票的昨日收盘价和涨停价
df = get_price(g.hold_list, end_date=context.previous_date, frequency='daily', fields=['close','high_limit'], count=1, panel=False, fill_paused=False)
df = df[df['close'] == df['high_limit']] # 筛选出昨日收盘价等于涨停价的股票，即昨日涨停的股票
g.yesterday_HL_list = list(df.code) # 更新昨日涨停列表，存储为股票代码列表
else:
g.yesterday_HL_list = [] # 如果没有持仓，昨日涨停列表为空
# 判断今天是否为账户资金再平衡的日期，使用 today_is_between 函数判断当前日期是否在 '04-05' 到 '04-30' 之间
g.no_trading_today_signal = today_is_between(context, '04-05', '04-30')
关键函数解锁后查看：
#1-3 定义每周调仓函数 ；整体调整持仓 ；目的是进行量化交易策略中的周期性调仓操作。
def weekly_adjustment(context):
if g.no_trading_today_signal == False: # 检查今日是否为非交易日，根据 g.no_trading_today_signal 信号判断
target_list = get_stock_list(context) # 获取应买入的股票列表，使用自定义函数 get_stock_list
# 调仓卖出逻辑
for stock in g.hold_list: # 遍历当前持有的股票列表
if (stock not in target_list) and (stock not in g.yesterday_HL_list): # 如果股票不在目标买入列表中，并且不在昨日涨停或跌停的股票列表中
log.info("卖出[%s]" % (stock)) # 记录卖出信息
position = context.portfolio.positions[stock] # 获取股票当前的持仓情况
close_position(position) # 卖出股票持仓，调用close_position 函数，用于平仓
else:
log.info("已持有[%s]" % (stock)) # 记录卖出信息
#调仓买入逻辑
position_count = len(context.portfolio.positions) # 当前持仓的股票数量
target_num = len(target_list) # 目标买入的股票数量
if target_num > position_count: # 如果目标买入的股票数量大于当前持仓数量
value = context.portfolio.cash / (target_num - position_count) # 计算每只股票应分配的资金
for stock in target_list: # 遍历目标买入的股票列表
if context.portfolio.positions[stock].total_amount == 0: # 如果当前股票不在持仓中
if open_position(stock, value): # 买入股票，调用open_position 函数，用于开仓
if len(context.portfolio.positions) == target_num: # 如果持仓数量等于目标数量，则退出买入循环
break # 中断循环
#1-4 定义检查昨日涨停股票的函数 ；调整昨日涨停股票
def check_limit_up(context):
now_time = context.current_dt # 获取当前时间
if g.yesterday_HL_list != []: # 检查昨日涨停股票列表是否为空
#对昨日涨停股票观察到尾盘如不涨停则提前卖出，如果涨停即使不在应买入列表仍暂时持有
for stock in g.yesterday_HL_list: # 遍历昨日涨停股票列表
# 获取当前股票的最新价格和涨停价
current_data = get_price(stock, end_date=now_time, frequency='1m', fields=['close','high_limit'], skip_paused=False, fq='pre', count=1, panel=False, fill_paused=True)
if current_data.iloc[0,0] < current_data.iloc[0,1]: # 检查当前价格是否小于涨停价，即判断今日是否打开涨停
log.info("[%s]涨停打开，卖出" % (stock)) # 如果打开涨停，则记录卖出信息
position = context.portfolio.positions[stock] # 获取股票当前的持仓情况
close_position(position) # 卖出股票持仓
else:
log.info("[%s]涨停，继续持有" % (stock)) # 如果仍然涨停，则记录继续持有的信息
# 过滤股票，过滤停牌退市ST股票，选股时使用
def filter_all_stock2(context, stock_list):
# 过滤次新股（新股、老股的分界日期，两种指定方法）
# 新老股的分界日期, 自然日180天
# by_date = context.previous_date - datetime.timedelta(days=180)
# 新老股的分界日期，120个交易日
by_date = get_trade_days(end_date=context.previous_date, count=252)[0]
all_stocks = get_all_securities(date=by_date).index.tolist()
stock_list = list(set(stock_list).intersection(set(all_stocks)))
curr_data = get_current_data()
return [stock for stock in stock_list if not (
stock.startswith(('3', '68', '4', '8')) or # 创业，科创，北交所
curr_data[stock].paused or # 停牌
curr_data[stock].is_st or # ST
('ST' in curr_data[stock].name) or # ST
('*' in curr_data[stock].name) or # 退市
('退' in curr_data[stock].name) or # 退市
(curr_data[stock].day_open == curr_data[stock].high_limit) or # 涨停开盘, 其它时间用last_price
(curr_data[stock].day_open == curr_data[stock].low_limit) # 跌停开盘, 其它时间用last_price
)]
#3-1 交易模块-自定义下单
def order_target_value_(security, value):
if value == 0: # 检查目标价值是否为0，即是否需要清仓
log.debug("Selling out %s" % (security)) # 日志记录清仓信息
else:
log.debug("Order %s to value %f" % (security, value)) # 日志记录下单到特定价值的信息
return order_target_value(security, value) # 调用聚宽平台的order_target_value函数执行交易
#3-2 交易模块-开仓
def open_position(security, value):
order = order_target_value_(security, value) # 尝试对指定股票进行下单到特定价值
if order != None and order.filled > 0: # 检查订单是否创建成功且有成交
return True # 开仓成功
return False # 开仓失败
#3-3 交易模块-平仓
def close_position(position):
security = position.security # 获取持仓的股票代码
order = order_target_value_(security, 0) # 下单清仓 ；可能会因停牌失败
if order != None: # 检查订单是否创建成功
if order.status == OrderStatus.held and order.filled == order.amount: # 检查订单状态是否为全部成交且订单数量等于下单数量
return True # 平仓成功
return False # 平仓失败
#4-1 判断今天是否为账户资金再平衡的日期
def today_is_between(context, start_date, end_date):
today = context.current_dt.strftime('%m-%d') # 获取当前日期并格式化为月-日格式
if (start_date <= today) and (today <= end_date): # 判断当前日期是否在指定的起始和结束日期之间
return True # 今天是资金再平衡的日期
else:
return False # 今天不是资金再平衡的日期
#4-2 清仓后次日资金可转
def close_account(context):
if g.no_trading_today_signal == True: # 检查今日是否为非交易日
if len(g.hold_list) != 0: # 如果持有股票列表不为空，则清仓
for stock in g.hold_list:
position = context.portfolio.positions[stock] # 获取股票的持仓信息
close_position(position) # 执行平仓操作
log.info("卖出[%s]" % (stock)) # 日志记录卖出信息
#4-3 打印每日持仓信息
def print_position_info(context):
#打印当天成交记录
trades = get_trades() # 获取当天所有成交记录
for _trade in trades.values(): # 遍历成交记录字典的值（即成交记录对象）
print('成交记录：'+str(_trade))
#打印账户信息
for position in list(context.portfolio.positions.values()): # 遍历账户中所有持仓的股票信息
securities=position.security # 获取股票代码
cost=position.avg_cost # 获取股票当前持仓成本
price=position.price # 获取股票最新价
ret=100*(price/cost-1) # 计算股票收益率
value=position.value # 获取股票市值
amount=position.total_amount # 获取股票持股数量
print('代码:{}'.format(securities))
print('成本价:{}'.format(format(cost,'.2f')))
print('现价:{}'.format(price))
print('收益率:{}%'.format(format(ret,'.2f')))
print('持仓(股):{}'.format(amount))
print('市值:{}'.format(format(value,'.2f')))
print('———————————————————————————————————')
print('———————————————————————————————————————分割线————————————————————————————————————————')
# 取股票对应行业
def get_industry_name(i_Constituent_Stocks, value):
# 从字典中筛选出包含特定股票的行业列表，返回包含该股票的所有行业列表
return [k for k, v in i_Constituent_Stocks.items() if value in v]
#缺失值处理
def replace_nan_indu(factor_data,stockList,industry_code,date):
# 处理DataFrame中的缺失值，首先使用行业平均值填充，如果行业也缺失，则使用全行业平均值填充
i_Constituent_Stocks={} # 创建一个字典，用于存储每个行业的股票列表
data_temp=pd.DataFrame(index=industry_code,columns=factor_data.columns) # 创建临时DataFrame用于存储行业平均值，索引为行业代码，列为因子数据的列名
for i in industry_code: # 遍历行业代码
temp = get_industry_stocks(i, date) # 获取属于该行业的股票列表
i_Constituent_Stocks[i] = list(set(temp).intersection(set(stockList))) # 将属于该行业且在股票列表中的股票找出来
data_temp.loc[i]=mean(factor_data.loc[i_Constituent_Stocks[i],:]) # 计算这些股票的因子平均值，并赋值给临时DataFrame的相应位置
for factor in data_temp.columns: # 遍历每个因子
#行业缺失值用所有行业平均值代替
null_industry=list(data_temp.loc[pd.isnull(data_temp[factor]),factor].keys()) # 找出该因子在行业平均值中缺失的行业
for i in null_industry:
data_temp.loc[i,factor]=mean(data_temp[factor]) # 对于这些缺失的行业，使用所有行业的该因子平均值来填充
null_stock=list(factor_data.loc[pd.isnull(factor_data[factor]),factor].keys()) # 找出该因子在股票因子数据中缺失的股票
# 对于这些缺失的股票，尝试使用它们所属行业的平均值来填充
for i in null_stock:
industry=get_industry_name(i_Constituent_Stocks, i) # 获取股票所属的行业列表
if industry: # 如果找到了所属行业
factor_data.loc[i,factor]=data_temp.loc[industry[0],factor] # 使用第一个所属行业的平均值来填充
else:
factor_data.loc[i,factor]=mean(factor_data[factor]) # 如果没有找到所属行业，使用所有股票的该因子平均值来填充
return factor_data # 返回填充后的因子数据
#数据预处理，factor_data: 包含因子数据的DataFrame，industry_code: 行业代码列表，
def data_preprocessing(factor_data,stockList,industry_code,date):
# 使用winsorize_med函数对因子数据进行去极值处理
# scale=5表示使用中位数的5倍距离来确定边界值；inf2nan=False表示不将无穷大值转换为NaN；axis=0表示对DataFrame的每一列进行操作
factor_data = winsorize_med(factor_data, scale=5, inf2nan=False,axis=0)
# 使用replace_nan_indu函数对因子数据中的缺失值进行处理；首先尝试使用行业平均值填充缺失值；如果行业数据也缺失，则使用所有股票的平均值进行填充
factor_data = replace_nan_indu(factor_data,stockList,industry_code,date)
# 使用standardlize函数对因子数据进行标准化处理；标准化是指将数据转换为具有零均值和单位方差的形式；axis=0表示对DataFrame的每一列进行操作
factor_data = standardlize(factor_data,axis=0)
return factor_data # 返回处理后的因子数据
最后更新： 2025-02-24 11:10
